Sequential Monte Carlo for Bayesian sequentially designed experiments for discrete data

در این مقاله یک الگوریتم پیوسته مونت کارلو برای طراحی تجربی متوازن بیزی برای مدل های غیر خطی تعمیم داده برای داده های گسسته ارائه شده است. رویکرد در محاسبات راحت است که اطلاعات از داده های تازه مشاهده شده را می توان از طریق یک مرحله ساده دوباره وزن سازی گنجانیده شود. ما همچنین یک مدل پارامتری انعطاف پذیر برای روابط تحریک-پاسخ با یک ابزار طراحی جدید هیبریدی که می تواند برآوردهای قویتری از محرک هدف در حضور مدل قابل توجه و عدم اطمینان پارامتر تولید کند، را در نظر بگیریم. الگوریتم به کارآزمایی بالینی و یا سناریوهای زیست سنجی اعمال می شود. در این بحث، کلیات بالقوه الگوریتم پیشنهاد می شود که احتمالا کاربرد آن را به طیف وسیعی از سناریوها گسترش دهد.